知识发现中的模糊聚类方法研究+FCM算法
关键词：模糊聚类方法；模糊C―均值；减法聚类；知识发现
Research On Fuzzy Clustering Method In Knowledge Discovery
Abstract: the uncertainty of knowledge discovery technology and theory (namely fuzzy) for some of the uncertainty or lack of integrity of the information processing is no longer fully apply. While using fuzzy clustering method, can well deal with this kind of problem. At first, this paper introduces the fuzzy clustering and its applications, and discussed the basic principle of fuzzy cluster analysis method, and then the fuzzy C mean algorithm (FCM) is described and the basic principle of subtraction clustering and steps. Based on fuzzy clustering, the paper summarized the research, aiming at the existing problem of FCM algorithm is proposed to improve the algorithm, and applies the improved FCM algorithm to cluster partition problems of enemy targets in the air above, and achieved good results.
Key Words: Fuzzy Clustering Methods; Fuzzy C-Average; Subtractive Clustering; Knowledge Discovery
目 录
摘要 1
引言 2
1. 知识发现中的模糊聚类的基本理论 3
1.1 知识发现定义 3
1.2知识发现现状 4
1.3 模糊聚类理论基础 4
1.4 模糊聚类分析理论的发展概况与研究现状 7
2．模糊聚类方法概述及其方法研究 8
2.1 模糊聚类方法概述 8
2.2 模糊C―均值(FCM)聚类算法 9
3. FCM 算法的改进 12
3.1 减法聚类与FCM的合成聚类分析 11
3.2 减法聚类算法 12
3.3 初始聚类数目上限的确定 13
3.4 聚类中心的选择 13
4. 改进FCM算法在知识发现中的应用仿真分析 14
4.1 模糊聚类应用实例 14
4.2 实例仿真分析 15
5．结论 17
5.1 本文研究工作总结 17
5.2 后续研究工作与展望 17
参考文献 18
致谢 20
知识发现中的模糊聚类方法研究
引言
所谓类(Cluster)，通常指相似元素的集合。将事物按一定要求来聚类的数学方法，叫着聚类分析(Cluster Analysis)[1-3]，又称为群分析(Group Analysis)。聚类分析基本思想通常指用相似性尺度来衡量事物之间的相近程度，且以此实现聚类。运用该方法能定性与定量确定研究对象之间的“亲疏关系”，既而达到对其来正确且合理分类的目的。常把被聚类的事物称作样本或实体，被聚类的一组事物称作样本集。聚类法基本思想是我们所研究对象中各实体间存在着程度不同的相似性。因此，根据众单位的多个观测指标，找出能度量各单位间相似程度的统计量，将其作为划分类型根据，其中一些相似程度比较大的单位聚合为一类，另外一些相似程度较大的单位聚合为另一类。
聚类分析时，确定聚类遵守的聚类规则是个重要问题，不一样的聚类规则会得到不一样聚类结果。一定聚类准则的优化问题是聚类问题的实质，只是不同聚类法所定义准则不同。聚类问题会常遇到，“物以类聚，人以群分”，人类认识并改造世界须区别不同事物，认识事物间相似和差异性，才能认识事物本质。最开始人们分类从“非此即彼”思想出发，同事物属于且仅属于所划定的类别，这种分类类别界限是“清晰的”，是普通集合理论范畴。